可解释的机器学习模型通过MRI放射学和临床特征预测威尔逊病的神经系统恶化

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 威尔逊病 (WD) 是一种遗传性疾病,导致铜积累.
• 在WD中的神经症状可能会在初始抗铜治疗期间恶化.
• 预测这种恶化对于患者管理至关重要.

研究的目的:

• 开发一种机器学习 (ML) 模型,预测WD患者在短期抗铜治疗期间的神经症状恶化.
• 将大脑T1WI MRI放射学与临床特征相结合,以提高预测.
• 为了解释模型的预测,使用夏普利添加式扩展 (SHAP).

主要方法:

• 从107个WD患者的大脑T1WIMRI扫描中对感兴趣区域 (ROI) 的自动细分.
• 放射学特征的提取和 LASSO 回归选.
• 训练6个ML模型,包括XGBoost,并应用SHAP进行特征重要性分析.

主要成果:

• 在临床分数 (UWDRS-N),疾病过程,年龄和特定的大脑放射特征之间发现了显著的相关性.
• 性能最好的模型XGBoost实现了AUC值为0.96 (训练) 和0.94 (测试).
• 由SHAP识别的关键预测因素包括UWDRS-N得分,年龄,以及面,尾状体和体的特定放射特征.

结论:

• 一个可解释的XGBoost模型成功地开发出来,用于预测WD患者的神经系统恶化.
• 该模型整合了脑T1WIMRI放射学和临床数据.
• 该工具有助于识别有风险的患者,并了解预测特征的贡献.